論文の概要: Model-Driven Graph Contrastive Learning

• arxiv url: http://arxiv.org/abs/2506.06212v1
• Date: Fri, 06 Jun 2025 16:17:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.548772
• Title: Model-Driven Graph Contrastive Learning
• Title（参考訳）: モデル駆動型グラフコントラスト学習
• Authors: Ali Azizpour, Nicolas Zilberstein, Santiago Segarra,
• Abstract要約: 本稿では,モデル駆動型グラフコントラスト学習(GCL)フレームワークであるtextbfMGCL$を提案する。 GCLは表現型ノードやグラフ表現を学習するための強力な自己教師型フレームワークとして登場した。 ベンチマークデータセットの実験では、MGCLが最先端のパフォーマンスを達成することを示した。
• 参考スコア（独自算出の注目度）: 25.015678499211404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose $\textbf{MGCL}$, a model-driven graph contrastive learning (GCL) framework that leverages graphons (probabilistic generative models for graphs) to guide contrastive learning by accounting for the data's underlying generative process. GCL has emerged as a powerful self-supervised framework for learning expressive node or graph representations without relying on annotated labels, which are often scarce in real-world data. By contrasting augmented views of graph data, GCL has demonstrated strong performance across various downstream tasks, such as node and graph classification. However, existing methods typically rely on manually designed or heuristic augmentation strategies that are not tailored to the underlying data distribution and operate at the individual graph level, ignoring similarities among graphs generated from the same model. Conversely, in our proposed approach, MGCL first estimates the graphon associated with the observed data and then defines a graphon-informed augmentation process, enabling data-adaptive and principled augmentations. Additionally, for graph-level tasks, MGCL clusters the dataset and estimates a graphon per group, enabling contrastive pairs to reflect shared semantics and structure. Extensive experiments on benchmark datasets demonstrate that MGCL achieves state-of-the-art performance, highlighting the advantages of incorporating generative models into GCL.
• Abstract（参考訳）: モデル駆動型グラフコントラスト学習(GCL)フレームワークである$\textbf{MGCL}$を提案する。 GCLは、実世界のデータに不足するアノテートラベルに頼ることなく、表現ノードやグラフ表現を学習するための強力な自己教師型フレームワークとして登場した。 グラフデータの拡張ビューとは対照的に、GCLはノードやグラフの分類など、さまざまな下流タスクに対して強いパフォーマンスを示している。 しかし、既存の手法は、通常、手動で設計された、またはヒューリスティックな拡張戦略に依存し、基礎となるデータ分布に適合せず、個々のグラフレベルで動作し、同じモデルから生成されたグラフ間の類似性を無視している。 逆に、提案手法では、MGCLがまず観測データに関連付けられたグラフトンを推定し、次に、データ適応および原則拡張を可能にするグラフトンインフォームド拡張プロセスを定義する。 さらに、グラフレベルのタスクでは、MGCLがデータセットをクラスタし、グループごとのグラフを推定し、コントラストペアが共有セマンティクスと構造を反映できるようにする。 ベンチマークデータセットに関する大規模な実験は、MGCLが最先端のパフォーマンスを達成することを示し、生成モデルをGCLに組み込むことの利点を強調している。

関連論文リスト

• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• RAGraph: A General Retrieval-Augmented Graph Learning Framework [35.25522856244149]
  我々は、RAGraph(General Retrieval-Augmented Graph Learning)と呼ばれる新しいフレームワークを紹介する。 RAGraphは、一般的なグラフ基盤モデルに外部グラフデータを導入し、目に見えないシナリオにおけるモデルの一般化を改善する。 推論中、RAGraphは下流タスクにおける重要な類似性に基づいて、似たようなおもちゃのグラフを順応的に検索する。
  論文  参考訳（メタデータ） (2024-10-31T12:05:21Z)
• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• Graph Contrastive Learning with Personalized Augmentation [17.714437631216516]
  グラフの教師なし表現を学習するための有効なツールとして,グラフコントラスト学習(GCL)が登場した。 我々は、textitPersonalized textitAugmentation (GPA) を用いたtextitGraph コントラスト学習と呼ばれる原則付きフレームワークを提案する。 GPAは、学習可能な拡張セレクタを介して、そのトポロジとノード属性に基づいて、各グラフの調整された拡張戦略を推論する。
  論文  参考訳（メタデータ） (2022-09-14T11:37:48Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Graph Contrastive Learning Automated [94.41860307845812]
  グラフコントラスト学習(GraphCL)は、有望な表現学習性能とともに登場した。 GraphCLのヒンジがアドホックなデータ拡張に与える影響は、データセット毎に手動で選択する必要がある。 本稿では,グラフデータ上でGraphCLを実行する際に,データ拡張を自動的に,適応的に動的に選択する統合バイレベル最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-10T16:35:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。